Design principles for optoelectronic light-scattering reservoir computing at the edge of chaos

Resumen Técnico: Principios de Diseño para Computación de Reservorio de Dispersión de Luz Optoelectrónica en el Borde del Caos

Enunciado del Problema
La computación de reservorio (CR) física ofrece una vía eficiente energéticamente para la inferencia cognitiva secuencial, aprovechando la dinámica no lineal intrínseca de los sustratos de hardware. Si bien los sistemas de dispersión de luz en espacio libre son atractivos debido a su paralelismo y reconfigurabilidad, persiste una brecha crítica: no se han establecido principios de diseño prácticos que vinculen variables específicas de control del hardware con el rendimiento computacional. A diferencia de las redes neuronales recurrentes (RNN) convencionales, donde los pesos se aprenden mediante retropropagación, los sistemas de CR física dependen de dinámicas fijas y determinadas físicamente. En consecuencia, el rendimiento es altamente sensible a la elección de los parámetros del sustrato, incluido el régimen dinámico, el acoplamiento entrada-reservorio y la interconectividad. Aunque los estudios teóricos y de simulación sugieren que existe un régimen operativo óptimo en el "borde del caos" (la frontera entre la estabilidad y el caos), la confirmación experimental en reservorios físicos ha sido limitada y específica del sustrato. Este trabajo aborda la falta de un marco de diseño sistemático y cuantitativo para reservorios de dispersión de luz optoelectrónica reconfigurables.

Metodología
Los autores implementaron un sistema de computación de reservorio optoelectrónico en espacio libre utilizando una arquitectura de imagen 4-f. El sistema consta de una fuente láser coherente, un modulador espacial de luz (SLM) que modula la fase para la codificación de entrada y la proyección de estado, un segundo SLM reconfigurable que actúa como dispersor para mezclar el campo óptico, y una cámara CMOS para la detección de intensidad. La actualización del estado del reservorio está gobernada por la recurrencia de la intensidad del campo óptico, modelada matemáticamente como:
$$\mathbf{h}(t) = \min(|\mathbf{W}_{rec} \exp(i\pi((\mathbf{I}-\tilde{\mathbf{W}}_{in})\mathbf{h}(t-1) + \tilde{\mathbf{W}}_{in}\tilde{\mathbf{x}}(t)))|^2, 1)$$
donde $\mathbf{h}$ es el estado del reservorio, $\mathbf{x}$ es la entrada, $\mathbf{W}_{rec}$ representa la interconectividad y $\mathbf{W}_{in}$ representa el acoplamiento de entrada. Solo la matriz de lectura $\mathbf{W}_{out}$ se entrena numéricamente utilizando la pseudoinversa de Moore–Penrose.

El estudio mapeó sistemáticamente tres ejes de control físico:

1. Dinámica del Reservorio: Controlada por el tiempo de exposición de la cámara ($T$), que modula la norma de $\mathbf{W}_{rec}$ y la intensidad de luz general.
2. Acoplamiento Entrada–Reservorio: Controlado por la densidad ($\rho$, la fracción de nodos acoplados a la entrada) y la magnitud ($w$, el peso de las entradas no nulas) de la matriz de entrada $\mathbf{W}_{in}$.
3. Interconectividad del Reservorio: Controlada por el ángulo de difusión ($\theta$) del perfil de fase del dispersor, que determina la dispersión del campo óptico a través de los nodos.

Los autores midieron el exponente de Lyapunov maximal ($\lambda_{max}$) para caracterizar la estabilidad dinámica y calcularon la Capacidad de Memoria (MC) para evaluar el rendimiento computacional. Estas métricas se compararon con simulaciones numéricas para validar el modelo físico.

Contribuciones y Resultados Clave
El artículo establece tres principios de diseño cuantitativos al identificar óptimos a lo largo de los tres ejes de control:

1. El Borde del Caos como Punto de Operación Universal:
   Al barrer el tiempo de exposición de la cámara, los autores observaron una transición de regímenes estables ($\lambda_{max} < 0$) a caóticos ($\lambda_{max} > 0$). Se encontró que un pico distintivo en la Capacidad de Memoria coincidía precisamente con $\lambda_{max} \approx 0$. Esta confirmación experimental extiende la hipótesis del "borde del caos", previamente verificada en reservorios de puerta iónica y ondas de espín, al sustrato fotónico. El estudio demuestra que el pico de MC es una propiedad de la dinámica subyacente y no un artefacto del ruido o imperfecciones del hardware.

2. Compensación de Acoplamiento Entrada–Reservorio:
   Con la dinámica fijada en el punto crítico ($\lambda_{max} \approx 0$), los autores barrieron los parámetros de acoplamiento de entrada ($\rho$ y $w$). Los resultados revelaron una "compensación densidad-magnitud": un acoplamiento bajo falla en registrar información externa, mientras que un acoplamiento excesivo silencia la historia interna del reservorio. Se identificó una región operativa óptima en $\rho \approx 21\%$ y $w \approx 0.25$, donde el impulso de entrada y la dinámica recurrente están equilibrados.

3. Interconectividad Intermedia:
   El estudio examinó el efecto del ángulo de difusión del dispersor ($\theta$) sobre la interconectividad. La capacidad de memoria exhibió una dependencia no monótona con $\theta$, con un máximo moderado en $\theta = 0.2^\circ$ para un reservorio de 10.000 nodos. Esto sugiere que la propagación de información entre nodos requiere una amplitud intermedia: ni demasiado localizada ni demasiado difusa.

Validación en Tareas Cognitivas
Operando en el óptimo de tres ejes identificado ($\lambda_{max} \approx 0$, $\rho=21\%$, $w=0.25$, $\theta=0.2^\circ$), el reservorio se probó en dos tareas:

• Predicción de Series Temporales Caóticas: El sistema predijo con éxito la serie temporal caótica de Mackey–Glass en modo "de funcionamiento libre" (donde las predicciones se retroalimentan como entradas), manteniendo una trayectoria en el espacio de fases acotada que se asemejaba estrechamente a la verdad fundamental. Este rendimiento solo fue posible en el punto de dinámica crítica; los regímenes estables y caóticos no lograron reproducir el atractor.
• Reconocimiento de Dígitos Hablados: El reservorio logró una precisión de clasificación ciega del 84.5% en el conjunto de datos Speech Commands de 10 clases (dígitos hablados). La matriz de confusión mostró una fuerte dominancia diagonal, con errores concentrados en pares de dígitos acústicamente similares.

Significado y Afirmaciones
Los autores afirman que este trabajo proporciona el primer mapeo sistemático del paisaje de diseño para reservorios de dispersión de luz optoelectrónica reconfigurables. El significado principal radica en establecer un marco transferible arraigado en conceptos independientes del sustrato de criticidad y acoplamiento equilibrado, a pesar de estar expresado en unidades específicas del sustrato.

El artículo posiciona la fotónica como el tercer sustrato experimental (después de los sistemas de puerta iónica y ondas de espín) que confirma la hipótesis del borde del caos en la computación de reservorio física. Los autores enfatizan que, aunque su sistema es optoelectrónico (implicando un ciclo de retorno electrónico para la detección y la recodificación), se espera que los principios de diseño relacionados con la dinámica, el acoplamiento y la conectividad se transfieran a implementaciones totalmente ópticas, como plataformas basadas en cavidades o fotónicas integradas, donde los manejos de control físico difieren (por ejemplo, ganancia de cavidad o moduladores intracavidad) pero el paisaje de optimización subyacente permanece similar. El trabajo no afirma maximizar el ancho de banda ni minimizar la latencia en comparación con los sistemas totalmente ópticos, sino definir las reglas cuantitativas que gobiernan el rendimiento computacional en reservorios de dispersión de luz.